Académique Documents
Professionnel Documents
Culture Documents
Multidimensionnelle
2022-2023
Entrepôt de Données: Architecture fonctionnelle
Méta-Données
Extraire DW Serveur
Sources Requêtes et
Nettoyer OLAP
Externes Rapports
Transformer Servir
Charger
Rafraichir
Analyses
BDs Serveur
Opérationnelles Data Marts OLAP
2
OLAP: Définition &
Caractéristiques
La Modélisation Multidimensionnelle
4
Entrepôt de Données
5
La Modélisation Multidimensionnelle: Notions de Bases
6
Représentation
Multidimensionnelle
des Données
Des Tables aux Cubes de Données
Hypercube : BD multidimensionnelle
Axes: dimensions (date, type de produits, région)
Chaque cellule de l'hypercube contient une mesure calculée (vente de
produit).
Axe d’analyse: la géographie
(Pays, région, ville)
Variables analysées:
Nbre unité, CA, etc.
Axe d’analyse: le temps
(Année, trimestre, mois, semaine) Axe d’analyse: les produits
(classe, produit)
8
Des Tables aux Cubes de Données
DW-OLAP :
Représentation des données sous forme multidimensionnelle : ‘Cube’
9
Des Tables aux Cubes de Données
10
Cube: Exemple
11
Cube: Un treillis de cuboïdes
temps, Produit temps, lieu Produit, lieu Lieu, fournisseur 2-D cuboïdes
13
Opérations
Élémentaires OLAP
Manipulation des données Multidimensionnelles
1
Opérations agissant
sur la structure
2
Opérations agissant
3 sur la granularité
Opérations
Ensemblistes
15
Manipulation des données : Opérations de Restructuration
Rotate / Pivot: effectue au cube une rotation autour d’un de ses 3 axes
passant par le centre de 2 faces opposées, de façon à présenter un ensemble de
faces différent (sélection de faces)
La visualisation résultante est souvent 2D.
16
Manipulation des données : Opérations de Restructuration
Nest ou l’Emboîtement:
Imbrication des membres à partir du cube
Permet de grouper sur une même représentation bi-dimensionnelle toutes les
informations (mesures et membres) d’un cube quelque soit le nombre de ses
dimensions.
nest(pièces, région)
vis
clous Est
écrous Ouest
Nord
Sud
17
Manipulation des données : Opérations de Restructuration
18
Manipulation des données : Opérations de Restructuration
19
Manipulation des données : Opérations de Restructuration
20
Manipulation des données Multidimensionnelles
1
Opérations agissant
sur la structure
2
Opérations agissant
3 sur la granularité
Opérations
Ensemblistes
21
Manipulation des données : Opérations de Granularité
22
Manipulation des données : Opérations de Granularité
Roll-Up
Un roll-up correspond à un zoom-out du cube actuel, ce qui entraine un
résultat de granularité réduite.
Par exemple roll-up du cube (catégorie/ mois/ ville) vers (type/ mois/
ville).
Cette opération peut porter sur une ou plusieurs dimensions à la fois
Par exemple roll-up du cube (catégorie / mois / ville) vers (type/ trimestre/
ville).
Appliquée à toutes les dimensions, cette opération résulte en un cube n’ayant
plus qu’un seul fait.
Drill-Down
Drill-down est l’opération inverse de Roll-Up.
Rend possible la navigation d’une granularité donnée vers une granularité plus
fine pour une ou plusieurs dimensions (zoom-in).
Par exemple de (type / trimestre / ville) vers (catégorie / mois / ville).
23
Manipulation des données : Opérations de Granularité
Roll-up 05 06 07
Aliment 496 520 255 Dimension Temps
Roll-up
S1 S2 S1 S2 S1
05-07 05 06 07 05 05 06 06 07
Fruits 623 Fruits 221 263 139 Fruits 100 121 111 152 139
Viande 648 Viande 275 257 116 Viande 134 141 120 137 116
Drill down
05 06 07
Pomme 22 19 20
…. … … …
Boeuf 40 43 48 Drill down
…. … … …
Dimension Produit
24
Manipulation des données : Opérations de Granularité
25
Manipulation des données : Opérations de Granularité
Roll-Up(année)
26
Manipulation des données : Opérations de Granularité
27
Manipulation des données : l’opération CUBE
28
Manipulation des données Multidimensionnelles
1
Opérations agissant
sur la structure
2
Opérations agissant
3 sur la granularité
Opérations
Ensemblistes
29
Manipulation des données : Opérations Ensemblistes
30
Manipulation des données : Opérations Ensemblistes
31
Manipulation des données Multidimensionnelles: Un Récap
32
Les Règles de Codd
pour les produits
OLAP
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)
En 1993, Codd définit les bases du modèle OLAP : 12 règles de Codd
définissent l’évaluation des produits OLAP :
Vue multidimensionnelle
1 Comme par exemple lorsqu’on souhaite analyser les ventes selon
plusieurs dimensions: par produit par région ou par période.
Architecture Client/Serveur
La plupart des données pour OLAP sont stockées sur des gros
5
systèmes et sont accessibles via des terminaux. Il est donc
nécessaire que les outils OLAP soient capables de travailler dans un
environnement Client/Serveur.
Dimensions Génériques
Toutes les dimensions doivent être équivalentes en structure et en
6
calcul.
Essayer, autant que possible, d'avoir une unicité dans la définition
des dimensions(exp: ne pas avoir deux dimensions client).
35
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)
Support Multi-Utilisateurs
Les outils OLAP doivent supporter les accès concurrents
8
Garantir l'intégrité et la sécurité afin que plusieurs utilisateurs
accèdent au même modèle d'analyse.
36
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)
37
Caractéristiques majeures des produits OLAP
38
Les Systèmes OLAP
39
Les Systèmes OLAP
Langage : MDX
40
Les Systèmes OLAP
Langage: SQL
Performance (jointures)
Hybrid OLAP
C’est la combinaison des approches ROLAP et MOLAP visant à
bénéficier des avantages de chacune.
Les tables de faits et de dimensions sont stockées dans un
SGBDR
Les données agrégées sont stockées dans des cubes
43
Les Systèmes OLAP: Quelques Solutions Commerciales
44
La Modélisation
Logique d’un ED
La Modélisation Multidimensionnelle: Notions de Bases
46
La Modélisation Multidimensionnelle: Notions de Bases
Les faits sont des grandeurs que l'on cherche à mesurer (prix,
quantité, etc.)
Les dimensions sont des axes d'analyse (date, lieu, produit,
personne, etc.)
Une requête décisionnelle exprime toujours la mesure d'une
quantification de faits par rapport à des dimensions, sous une forme du type :
"Quelle a été la quantité de ... en fonction de ... »
47
Modélisation Multidimensionnelle: Fait
Un fait :
Modélisation du sujet de l'analyse
Grain de mesure de l'activité analysée
Exemple: Chiffre d’affaires, nombre de vente, nombre de transaction, etc
en général: une valeur numérique
Les mesures sont stockées dans la table des faits
Mesures numériques, généralement valorisées de façon continue. On peut:
les additionner
les dénombrer
calculer le minimum, le maximum ou la moyenne
3 types de fait
Additif
Semi Additif
Non Additif
48
Modélisation Multidimensionnelle: Fait
50
Cube: Concept de Fait
Exemple:
Requête: Quels sont les frais de déplacement et le kilométrage des
commerciaux de la région nord ayant des véhicules de 10 à 14 cv en
avril 2010?
Vue:
Frais de déplacement
Kilométrage
Par employé (fonction)
Par véhicule (puissance)
Par région
Par mois
51
Modélisation Multidimensionnelle: Dimension
Dimension = liste d'éléments
52
Modélisation Multidimensionnelle: Dimension
53
M. Multidimensionnelle: Hiérarchie de Dimension
54
Modélisation Multidimensionnelle: Dimension
55
Modélisation Multidimensionnelle: Dimension
56
M. Multidimensionnelle: Dimension à Évolution Lente
57
M. Multidimensionnelle: Dimension à Évolution Lente
Jeux Educatifs
58
M. Multidimensionnelle: Dimension à Évolution Lente
Inconvénient:
Accroit le volume de la table
59
M. Multidimensionnelle: Dimension à Évolution Lente
60
M. Multidimensionnelle: Dimension à Évolution Rapide
Avantages:
Exemple:
les produits financiers comme les actions avec leurs statuts et
valorisations à un moment T.
61
M. Multidimensionnelle: Dimension à Évolution Rapide
62
M. Multidimensionnelle: Caractéristiques Dimension
Dim Client
Table Fait Dim Client
Id_Client
Id_Client
Table Fait
pays
Dim Pays
Id_pays
NomPays
63
Modélisation Multidimensionnelle: objets intervenants
Identifiant unique
pour distinguer les enregistrements dans les tables
64
Modélisation Multidimensionnelle
Avantages
Structure prévisible et standardisée
Inconvénients
Tables plus volumineuses
65
Schéma d’un Entrepôt de Données
66
À Suivre